深度神经网络加快了天气和气候模型的速度

当您查看早晨的天气预报时，您看到的结果很有可能是由天气研究和预报(WRF)模型确定的，该模型是一个全面的模型，可以模拟我们周围自然世界的许多方面的变化。

美国能源部(DOE)阿贡国家实验室的环境科学家Wang Jiali说：“它描述了您在窗外看到的一切，从云到太阳的辐射，从雪到植被，甚至还有摩天大楼扰乱了风。”

天气和气候的无数特征和原因相互耦合，相互交流。科学家尚未使用简单的统一方程式充分描述这些复杂的关系。取而代之的是，他们使用称为参数化的方法对方程进行近似，在该方法中，它们以大于实际现象的比例对关系进行建模。

尽管参数化以某种方式简化了物理过程，使模型可以在合理的时间内产生相对准确的结果，但是它们仍然在计算上昂贵。来自Argonne的环境科学家和计算科学家正在合作使用机器学习的一种类型的深度神经网络来代替WRF模型中某些物理方案的参数化，从而显着减少了仿真时间。

Wang说：“使用便宜的模型，我们可以实现更高分辨率的模拟，以预测天气模式的短期和长期变化如何影响当地范围，甚至包括邻里或特定的关键基础设施。”

在最近的研究中，科学家将注意力集中在行星边界层(PBL)或大气的最低部分。PBL是人类活动影响最大的大气层，仅在地球表面上方数百米处延伸。该层中的动力学(例如风速，温度和湿度曲线)对于确定其余大气层和地球上的许多物理过程至关重要。

PBL是WRF模型中的关键组件，但它也是计算成本最低的组件之一。这使得它成为研究深度学习神经网络如何以相同方式增强更复杂组件的绝佳测试平台。

美国能源部计算机科学家Prasanna Balaprakash说：“我们使用了20年的WRF模型中的计算机生成数据来训练神经网络，并使用了两年的数据来评估它们是否可以为基于物理的参数设置提供准确的替代方法。”曾获Argonne数学和计算机科学部门的早期职业奖，以及美国能源部科学用户设施办公室Argonne领导力计算设施(ALCF)。

Balaprakash开发了神经网络，并对其进行了训练，以通过从两个位置(堪萨斯州和阿拉斯加一个位置)提供10,000多个数据点(每天8个)来学习输入与输出之间的抽象关系。结果是一种算法，科学家相信该算法可以替代WRF模型中的PBL参数化。

科学家证明，考虑输入和输出变量之间关系的某些底层结构的深层神经网络可以成功地模拟随时间变化的风速，温度和水蒸气。结果还表明，一个受过训练的神经网络可以从一个位置预测附近位置的行为，与测试数据相比，相关性高于90%。

“ 气候科学家和计算机科学家之间的合作对于我们取得的成果至关重要。”阿贡大学环境科学部大气科学和气候研究部门首席科学家兼负责人Rao Kotamarthi说。“结合我们的领域知识可以使算法更具预测性。”

该算法称为域感知神经网络，该算法考虑了已知的关系，不仅可以更准确地预测环境数据，而且与不考虑域专业知识的算法相比，它们所需的训练数据也要少得多。

任何机器学习项目都需要大量高质量的数据，并且本研究不缺乏数据。ALCF和国家能源研究科学计算中心(位于美国劳伦斯伯克利国家实验室的美国能源部科学用户设施办公室)的超级计算资源，促成了300多年(700 TB)数据的生成，这些数据描述了过去，现在和未来的天气以及北美的气候。

Wang说：“该数据库是阿贡国家气候科学所独有的，并且我们正在使用它来进行深度学习的进一步研究，并确定如何将其应用于气候模型。”

科学家的最终目标是用深度学习神经网络取代WRF模型中所有昂贵的参数化设置，以实现更快，更高分辨率的仿真。

目前，该小组正在努力模拟长波和短波太阳辐射的参数化-WRF模型的两个部分合起来将占物理模拟计算时间的近40%。

该研究结果于10月10日发表在2019年地球科学模型开发 12，4261–4274中，名为“ 数值天气预报模型中行星边界层参数化的快速域感知神经网络仿真”的论文。